La operación antiterrorista con IA de INTERPOL identifica a 126 sospechosos, pero las coincidencias aún necesitan prueba humana
La operación antiterrorista con IA de INTERPOL identificó a 126 presuntos combatientes terroristas extranjeros tras procesar 108.076 imágenes faciales recopiladas de medios yihadistas. Esta escala supone un cambio significativo en la forma en que los investigadores internacionales pueden convertir material digital público en pistas investigables.
La Operación Shams II no permitió que un algoritmo tomara decisiones finales de identificación. Agentes de IA programados y scripts generados por IA recopilaron, eliminaron duplicados y verificaron imágenes antes de que agentes capacitados revisaran las coincidencias resultantes. La distinción importa porque una puntuación de similitud facial es una pista de investigación, no una prueba de identidad ni de conducta delictiva.
Por tanto, la operación presenta dos realidades contrapuestas. La IA puede condensar un volumen inmanejable de imágenes en línea en un conjunto de datos que los investigadores pueden examinar. Sin embargo, su valor depende de la calidad de las imágenes, del tratamiento legal de los datos, de la verificación experta y de lo que las autoridades nacionales hagan con cada pista.
La Operación Shams II convirtió 108.076 imágenes en pistas de investigación
El cambio inmediato no fue una vigilancia policial autónoma, sino un proceso de inteligencia mucho más rápido.
Según la Operación Shams II, INTERPOL coordinó la acción de cinco días en Túnez, Túnez, del 1 al 5 de junio de 2026. La organización anunció los resultados el 18 de septiembre.
La operación reunió a 28 agentes especializados y expertos de 11 países. Los participantes procedían de Costa de Marfil, Ghana, Irak, Kenia, Malasia, Nigeria, Filipinas, Catar, Tayikistán, Túnez y Uzbekistán.
Los investigadores partieron de contenido visual publicado en línea por grupos yihadistas. Extrajeron 108.076 imágenes faciales de ese material, creando una colección demasiado grande para que un equipo reducido pudiera examinarla manualmente de forma eficiente.
Agentes de IA programados y scripts generados por IA automatizaron partes del proceso de recopilación. También eliminaron duplicados y comprobaron si las imágenes tenían calidad suficiente para un análisis posterior.
Esa fase de filtrado redujo la recopilación inicial a 6.362 imágenes faciales únicas y de mayor calidad. Los investigadores pudieron entonces procesarlas mediante el Sistema de Reconocimiento Facial de INTERPOL.
La reducción es central para esta historia. Más de 101.000 imágenes recopiladas no pasaron al conjunto principal de datos de reconocimiento facial. Muchas probablemente eran duplicados, fotogramas inadecuados o material que no cumplía los requisitos de calidad.
La Oficina Central Nacional de INTERPOL en Bagdad también aportó un amplio conjunto de datos de inteligencia sobre sospechosos de terrorismo. Esa contribución añadió cientos de imágenes para su extracción y procesamiento, ampliando la operación más allá de los medios recopilados públicamente.
INTERPOL informó de que las comparaciones habían identificado a 126 presuntos combatientes terroristas extranjeros hasta la fecha del anuncio. Los combatientes terroristas extranjeros son personas que se cree que viajaron al extranjero para unirse, apoyar o entrenarse con organizaciones terroristas.
La organización indicó que esas coincidencias enriquecerían la inteligencia sobre posibles ubicaciones y redes sociales. También estaba integrando la información en sus bases de datos para utilizarla en futuras investigaciones y verificaciones internacionales.
Estos resultados no deben confundirse con 126 detenciones. INTERPOL describió identificaciones y pistas de investigación, no procesos judiciales concluidos ni declaraciones de culpabilidad.
Según la organización, una pista ya respaldaba trabajo judicial relacionado con dos sospechosos detenidos. Quedaban miles de imágenes por procesar, por lo que la cifra final de posibles coincidencias seguía abierta.
La Operación Shams II también utilizó herramientas de investigación de criptomonedas para examinar presunta financiación terrorista. Ese trabajo generó tres solicitudes urgentes para que un proveedor de servicios de activos virtuales revelara información de clientes.
Representantes de la industria de los juegos en línea participaron en debates sobre la radicalización de jóvenes en entornos digitales. Este elemento refleja el alcance más amplio de la operación, que conectó el análisis de imágenes con la financiación y la cooperación de plataformas.
El resultado central sigue siendo la conversión de un archivo visual ruidoso en un conjunto más reducido de pruebas revisables. Esa capacidad genera la promesa de la operación, pero también concentra el riesgo en el proceso de filtrado y coincidencia.
Por qué importa la operación antiterrorista con IA de INTERPOL
La Operación Shams II traslada el análisis asistido por IA de un objetivo formativo a una investigación multinacional documentada.
Las agencias de seguridad han utilizado el reconocimiento facial durante años. Lo que diferencia a esta operación es la combinación de recopilación de fuentes abiertas, preparación automatizada, bases de datos internacionales y revisión humana coordinada.
El problema de fondo es la escala. Un vídeo propagandístico puede contener miles de fotogramas, mientras que el mismo rostro puede aparecer con distintas resoluciones, ediciones y canales de distribución.
La revisión manual tiene dificultades ante ese volumen. Los investigadores deben localizar rostros, descartar fotogramas inutilizables, reconocer imágenes repetidas y comparar el material restante con registros existentes.
La IA cambia la economía de ese trabajo. Los agentes automatizados pueden repetir tareas de recopilación y limpieza sin exigir que un agente inspeccione cada fotograma en secuencia.
Esto no significa que el software comprenda las pruebas. Significa que el sistema puede reducir la cantidad de material que los investigadores humanos deben evaluar.
La Operación Shams II ofrece una medida concreta de esa reducción. Solo alrededor del 5,9 por ciento de las 108.076 imágenes extraídas entró en el conjunto de 6.362 rostros únicos y de mayor calidad preparados para la comparación.
Esa proporción no revela la precisión del sistema. Sí muestra cuánto material duplicado o inadecuado encontraron los investigadores antes de que comenzara la comparación facial.
La operación surgió de un programa más amplio de fortalecimiento de capacidades. La iniciativa CT TECH+ es un proyecto de dos años implementado conjuntamente por la Oficina de las Naciones Unidas de Lucha contra el Terrorismo e INTERPOL, con financiación de la Unión Europea.
CT TECH+ forma a los países participantes en inteligencia de fuentes abiertas, inteligencia artificial, investigaciones de la darknet y rastreo de activos virtuales. También exige que esas capacidades se desarrollen de acuerdo con el derecho internacional y las obligaciones en materia de derechos humanos.
Su primera fase se desarrolló de enero de 2022 a junio de 2024. La iniciativa ampliada se lanzó en noviembre de 2024 e incluyó planes para una operación coordinada cerca del final de su programa.
La Operación Shams II parece ser la expresión operativa de esa preparación. Los agentes no se limitaban a probar un producto independiente de reconocimiento facial. Utilizaban un modelo de investigación compartido entre países con distintos recursos técnicos y sistemas jurídicos.
Ese modelo presiona a las agencias que aún dependen de flujos de trabajo manuales fragmentados. Cuando las imágenes relevantes circulan entre fronteras y plataformas, un equipo nacional puede carecer de los datos de referencia necesarios para reconocer a una persona.
INTERPOL proporciona la capa de conexión. Puede comparar el material remitido con notificaciones, difusiones y otros registros autorizados internacionales, y después devolver candidatos potenciales a las autoridades participantes.
Una operación anterior ilustra el contraste. En 2024, la Operación Neptune VI se centró en controles fronterizos, aeroportuarios y marítimos en 14 países.
Esa operación permitió millones de comprobaciones cruzadas en bases de datos, produjo 66 detenciones e identificó a 81 personas cubiertas por notificaciones o difusiones de INTERPOL. Dependió en gran medida de encuentros en fronteras físicas y rutas de transporte.
La Operación Shams II comienza antes en la cadena. En lugar de esperar a que una persona de interés llegue a un punto de control, los investigadores examinan material visual que los grupos ya han distribuido en línea.
Este enfoque puede generar pistas sobre personas que no han cruzado recientemente una frontera vigilada. También puede revelar conexiones entre un rostro no identificado e inteligencia conservada en otros lugares.
La presión recae ahora sobre las agencias nacionales para responder sin tratar la similitud algorítmica como una certeza. La generación más rápida de pistas solo resulta útil si las salvaguardias investigativas y judiciales pueden seguir el ritmo.
El reconocimiento facial con IA funcionó como un embudo, no como un veredicto
El mecanismo más trascendental de la operación fue el filtrado por etapas seguido de una revisión experta.
El reconocimiento facial compara un rostro enviado con imágenes almacenadas y clasifica posibles similitudes. No determina de forma independiente la identidad, la intención ni la situación jurídica de una persona.
INTERPOL afirma que su proceso de reconocimiento facial exige que agentes cualificados examinen a los candidatos potenciales. Los analistas buscan rasgos distintivos y clasifican un resultado como candidato potencial, ningún candidato o no concluyente.
Ese vocabulario importa. Un candidato potencial sigue siendo una hipótesis que requiere pruebas adicionales, mientras que un resultado no concluyente no respalda una identificación fiable.
La Operación Shams II situó la automatización antes y alrededor de esta comparación experta. El software recopiló imágenes, eliminó material repetido y rechazó entradas inadecuadas antes de que los analistas revisaran el resultado.
Esta arquitectura aborda una debilidad práctica de las investigaciones en línea. El contenido extremista se copia, comprime, recorta, subtitula o recodifica con frecuencia a medida que circula entre servicios.
Por ello, una sola persona puede generar decenas de imágenes casi idénticas. Contar cada fotograma por separado inflaría el conjunto de datos y desperdiciaría recursos de comparación.
La comprobación de calidad es igualmente importante. El reconocimiento facial funciona mejor cuando el rostro es nítido, suficientemente grande, está iluminado de manera uniforme y orientado hacia la cámara.
Los medios yihadistas rara vez ofrecen condiciones de laboratorio. Los rostros pueden aparecer en ángulo, bajo sombras, detrás de máscaras o en grabaciones de baja resolución.
La guía sobre IA responsable de INTERPOL y UNICRI señala que algunos sistemas superan el 99 por ciento de precisión en condiciones ideales. La misma guía indica que el rendimiento puede caer por debajo del 80 por ciento cuando las imágenes son deficientes.
Estas cifras no son resultados de rendimiento de la Operación Shams II. INTERPOL no publicó el modelo, el umbral de comparación, la tasa de falsos positivos ni datos de rendimiento demográfico para esta operación.
La ausencia de esos detalles limita la evaluación independiente. Los lectores saben cuántas imágenes entraron en cada fase y cuántos presuntos combatientes fueron identificados, pero no cuántos candidatos tuvieron que ser descartados.
Tampoco existe un denominador publicado para las 126 coincidencias. INTERPOL afirmó que aún quedaban miles de imágenes por procesar, por lo que la cifra anunciada refleja un resultado operativo provisional.
No obstante, el proceso de reconocimiento facial con IA ofreció a los investigadores algo valioso: priorización. Les ayudó a decidir qué registros visuales merecían primero la escasa atención humana.
Esta es una afirmación diferente de decir que la IA resolvió 126 casos. El software respaldó una cadena que implicaba recopilación en línea, comparación con bases de datos, análisis capacitado, integración de inteligencia y acción judicial nacional.
Cada eslabón puede afectar al resultado final. Un material de origen deficiente puede generar candidatos débiles, registros incompletos pueden pasar por alto una coincidencia real y metadatos erróneos pueden distorsionar análisis posteriores.
La revisión humana también introduce criterio. La supervisión experta reduce la dependencia de resultados automatizados, pero los revisores necesitan formación adecuada, información contextual y autoridad para rechazar a un candidato sugerido.
INTERPOL afirma que todos los resultados generados por IA en la Operación Shams II fueron verificados por agentes y analistas conforme a sus Normas sobre el Tratamiento de Datos. Esas normas regulan la calidad de la información, el acceso, la conservación y los usos permitidos en toda la organización.
El modelo por etapas representa un diseño más defendible que la aplicación automática de medidas basadas en una puntuación de similitud. Aun así, deja sin responder cuestiones sobre auditorías, recursos, seguimiento nacional y divulgación ante los tribunales.
El aumento de capacidad conlleva una prueba de rendición de cuentas
Una identificación más rápida eleva el coste de cada coincidencia débil, porque una pista puede circular entre bases de datos, organismos y fronteras.
INTERPOL opera como una red de cooperación, no como una fuerza policial supranacional. No puede detener personas de forma independiente, y los países participantes conservan la autoridad sobre las investigaciones y los procesos judiciales.
Esta estructura constituye una salvaguarda porque el resultado de una base de datos no produce automáticamente una detención. También añade complejidad porque los países aplican normas jurídicas y mecanismos de supervisión distintos.
Una coincidencia facial puede ayudar a los analistas a localizar a un sospechoso ya existente. También puede atribuir sospechas a una persona cuya imagen se parece a la de alguien registrado previamente en una base de datos.
Las consecuencias van más allá de una detención. Una pista puede influir en la vigilancia, los controles fronterizos, las decisiones de viaje, los interrogatorios, el análisis de redes sociales o las solicitudes de información financiera.
La calidad de la imagen es la preocupación técnica más inmediata. Los vídeos de baja resolución y los rostros vistos en ángulo pueden reducir la diferencia entre un candidato correcto y un parecido engañoso.
El sesgo presenta otro riesgo. El rendimiento de un sistema de IA puede variar entre grupos demográficos cuando los datos de entrenamiento, los datos de prueba o las condiciones operativas no representan adecuadamente a esos grupos.
La Operación Shams II incluyó material vinculado a varias regiones y a 11 países participantes. INTERPOL no publicó un análisis de errores demográficos sobre el uso del sistema en esta operación.
Esta omisión no demuestra un rendimiento sesgado. Significa que el anuncio público aporta pruebas insuficientes para evaluar si los errores se distribuyeron de manera uniforme.
La procedencia de los datos plantea una cuestión distinta. Los investigadores extrajeron imágenes de contenido atribuido a grupos yihadistas, pero aparecer simplemente en ese material no demuestra pertenencia ni responsabilidad penal.
Un vídeo podría incluir rehenes, periodistas, residentes locales, personal de seguridad, transeúntes o imágenes reutilizadas. Por tanto, el contexto debe acompañar a cualquier candidato facial.
La palabra “identificado” puede ocultar esta distinción. La declaración de INTERPOL describió a 126 combatientes terroristas extranjeros, pero no publicó el estándar probatorio aplicado a cada designación.
Algunas personas podrían haber aparecido ya en registros antiterroristas consolidados. Otras podrían requerir corroboración adicional antes de que las autoridades nacionales puedan vincular una imagen con una conducta o ubicación.
Las salvaguardas de la organización reconocen estos problemas. INTERPOL afirma que las imágenes enviadas deben cumplir criterios de calidad, mientras agentes cualificados examinan posibles coincidencias antes de que la información llegue a los países solicitantes.
Sus principios más amplios de IA responsable hacen hincapié en la equidad, la supervisión humana, la transparencia, la privacidad, la protección de datos y la rendición de cuentas.
INTERPOL y el Instituto Interregional de las Naciones Unidas para Investigaciones sobre la Delincuencia y la Justicia también desarrollaron un conjunto de herramientas de IA para las fuerzas del orden. Su proceso de desarrollo incluyó a 56 expertos de más de 30 países.
El conjunto de herramientas fue revisado por especialistas de las fuerzas del orden, la academia, la sociedad civil, los derechos humanos, la industria y la justicia penal. Organismos de 15 países lo probaron en entornos prácticos.
La orientación es útil, pero la rendición de cuentas operativa exige pruebas medibles. Los organismos necesitan registros que muestren qué herramientas procesaron los datos, qué umbrales se utilizaron y qué agentes revisaron cada resultado.
También necesitan un procedimiento para corregir una asociación errónea después de que la información entre en un sistema internacional. Una corrección que permanezca dentro de un archivo nacional no puede subsanar las copias ya compartidas en otros lugares.
El uso judicial plantea otro desafío. Los abogados defensores pueden necesitar información suficiente para cuestionar cómo se originó una identificación, incluido si la imagen de origen fue alterada o estaba incompleta.
Las autoridades deben equilibrar esa divulgación con necesidades legítimas de proteger los métodos de inteligencia y las investigaciones en curso. Esta tensión no puede resolverse simplemente calificando un sistema como “asistido por IA”.
Por tanto, las 126 coincidencias de la operación serán juzgadas por lo que ocurra después. Identidades confirmadas y respaldadas por pruebas independientes reforzarían el argumento de INTERPOL a favor del modelo.
Coincidencias retiradas, detenciones sin explicación o tasas de error no divulgadas lo debilitarían. El anuncio público no contiene pruebas de esos fallos, pero tampoco ofrece suficiente detalle para descartarlos.
La Operación Shams II va más allá de la coincidencia facial
La operación conectó inteligencia sobre identidad, financiación y plataformas, en lugar de tratar el reconocimiento facial como una herramienta aislada.
El componente de criptomonedas generó tres solicitudes urgentes de divulgación a un proveedor de servicios de activos virtuales. Estos proveedores incluyen exchanges y otras empresas que transfieren o custodian activos digitales.
Las transacciones de blockchain son rastreables públicamente en muchos casos, pero las direcciones de billeteras no identifican automáticamente a sus usuarios. Los investigadores suelen necesitar registros de proveedores para vincular una cuenta con una persona u organización.
INTERPOL no reveló el proveedor, los valores de las transacciones, las monedas ni los destinatarios sospechosos. Tampoco indicó si las solicitudes congelaron activos o produjeron cargos penales.
Por tanto, el resultado debe describirse como un paso de investigación. Tres solicitudes de divulgación no prueban que se hayan desmantelado tres redes de financiación.
Aun así, su inclusión revela el modelo previsto para la operación. Las imágenes faciales pueden generar pistas de identidad, mientras el análisis de criptomonedas puede revelar relaciones financieras en torno a las mismas redes.
Las conexiones sociales añaden una tercera capa. INTERPOL afirmó que las 126 identificaciones enriquecerían la inteligencia relativa a posibles ubicaciones y redes.
Combinar estas señales puede producir una investigación más útil que cualquier coincidencia individual. Un rostro, una billetera, un canal de comunicación y un asociado conocido pueden corroborarse mutuamente cuando se recopilan legalmente.
La misma combinación puede amplificar un error. Si un candidato facial incorrecto se convierte en la identidad de partida, los analistas pueden interpretar transacciones o contactos no relacionados bajo esa suposición equivocada.
Por eso importa la trazabilidad de los datos. Los investigadores deben conservar el origen de cada afirmación y distinguir los hechos verificados de las posibilidades clasificadas por máquinas.
Los debates sobre la industria del videojuego apuntan a la prevención más que a la identificación. Los países participantes y representantes de empresas exploraron el intercambio de información relacionado con la radicalización juvenil en entornos en línea.
INTERPOL no nombró a las empresas ni anunció un acuerdo de vigilancia. Tampoco proporcionó cifras de usuarios, volúmenes de contenido ni ejemplos de plataformas de videojuegos vinculadas a las 126 identificaciones.
Esta divulgación limitada evita afirmaciones excesivas. La reunión señala una cooperación creciente, no un nuevo sistema de vigilancia para toda la industria.
También pone de relieve el número creciente de organizaciones privadas implicadas en investigaciones antiterroristas. Las plataformas sociales alojan contenido, los servicios de videojuegos observan la actividad de las comunidades y los proveedores de criptomonedas controlan los registros de clientes.
La cooperación público-privada puede cerrar brechas de información, pero necesita solicitudes legales y límites claros. El intercambio voluntario o informal puede generar incertidumbre sobre el consentimiento, la proporcionalidad y la conservación.
CT TECH+ incluye explícitamente las alianzas público-privadas como objetivo del programa. La Operación Shams II demuestra por qué los gobiernos las buscan, ya que gran parte de la actividad pertinente se produce en servicios operados de forma privada.
El modelo también cambia lo que los países participantes deben ser capaces de gestionar. Necesitan investigadores que comprendan la inteligencia de fuentes abiertas, los activos digitales, los registros de plataformas y las pruebas biométricas.
Comprar un servicio de reconocimiento facial no puede proporcionar esas capacidades institucionales. Sin analistas capacitados y procedimientos documentados, la automatización simplemente produce más pistas de las que los organismos pueden evaluar responsablemente.
Los 28 especialistas de la operación formaron un equipo internacional concentrado. Reproducir ese trabajo a nivel nacional requerirá formación sostenida, sistemas compatibles y canales fiables para cuestionar información dudosa.
Por tanto, la Operación Shams II se asemeja menos a un único despliegue de software y más a una prueba de infraestructura investigativa compartida. Su efecto duradero depende de que esa infraestructura siga siendo responsable una vez concluida la operación.
Qué observar después de las 126 identificaciones
Las próximas pruebas deben mostrar si las coincidencias resisten la investigación, si las salvaguardas se vuelven medibles y si el modelo escala sin perder el control.
La primera señal es el seguimiento judicial. INTERPOL afirmó que las pistas ya respaldaban procedimientos relacionados con dos presuntos combatientes terroristas extranjeros detenidos.
Los anuncios futuros deberían distinguir entre identidades confirmadas, detenciones, cargos, desestimaciones y pistas sin resolver. Esos resultados mostrarían con qué frecuencia una coincidencia respaldada por IA se convierte en prueba utilizable.
Un número elevado de identificaciones revisadas y corroboradas de forma independiente reforzaría la afirmación central de la operación. Numerosos candidatos rechazados no volverían inútil al sistema, pero cambiarían la forma de evaluar su eficiencia.
La segunda señal es la transparencia técnica. INTERPOL no necesita publicar detalles operativos que ayuden a los objetivos a evadir la detección, pero los datos de rendimiento agregados mejorarían la rendición de cuentas.
Las divulgaciones útiles incluirían el número de candidatos potenciales devueltos, el número rechazado por los analistas, el número considerado no concluyente y los tipos de fallos de calidad de imagen detectados.
Las pruebas demográficas también serían importantes. El análisis agregado de errores puede revelar un rendimiento desigual sin exponer las identidades de sospechosos o investigadores.
Publicar esos datos reforzaría la confianza en que la revisión humana funciona como un control real. Seguir basándose únicamente en los recuentos finales de coincidencias dejaría sin respuesta las cuestiones de error más importantes.
La tercera señal es la replicación. INTERPOL calificó la operación como un esfuerzo sin precedentes y describió su modelo como una base para la futura cooperación internacional.
Una segunda operación revelaría si el flujo de trabajo funciona de manera consistente con diferentes fuentes de medios, idiomas, regiones y organismos participantes. También pondría a prueba si un despliegue mayor mantiene los mismos requisitos de revisión.
La escala puede producir mejor inteligencia porque más datos generan más oportunidades de una coincidencia legítima. También puede producir más pistas falsas, una circulación más amplia de datos y una mayor presión sobre los revisores humanos.
Por tanto, la operación antiterrorista de IA de INTERPOL debe evaluarse por algo más que la cifra principal de 126 sospechosos. Su verdadera prueba es si el descubrimiento acelerado produce pruebas fiables, revisables y utilizables legalmente.
Para los desarrolladores y los equipos empresariales de IA, esta lección va más allá de la actividad policial. Los sistemas que clasifican personas o decisiones de alto impacto necesitan entradas trazables, incertidumbre explícita, anulación humana y mecanismos de corrección.
Para los responsables de formular políticas, la operación plantea un caso concreto para hacer preguntas más difíciles. ¿Qué tareas realizó la IA, cómo se verificaron los resultados y qué ocurre cuando una persona impugna una coincidencia?
Para el público, la distinción esencial sigue siendo sencilla. La IA ayudó a los investigadores a acotar una vasta colección de imágenes, pero no sustituyó las pruebas, el proceso legal ni la responsabilidad humana.
El siguiente paso más útil es seguir los resultados, no solo el anuncio. Observe cuántas pistas llegan a los tribunales, qué información sobre el rendimiento publica INTERPOL y si las futuras operaciones preservan una revisión humana significativa.
